Machine learningMachine learning
능동 학습 LightGBM
능동 학습 LightGBM은 능동 학습의 쿼리 효율적인 레이블 선택 전략과 히스토그램 기반 그래디언트 부스팅 프레임워크인 LightGBM의 속도 및 정확도를 결합합니다. 이 모델은 인간 주석을 위해 가장 유익한 레이블이 지정되지 않은 인스턴스를 반복적으로 선택하고, 증가하는 레이블 세트에서 LightGBM을 재학습하며, 수동 지도 학습보다 훨씬 적은 레이블 예제로 높은 정확도로 수렴합니다.
방법 전문 읽기
회원 전용
로그인무료 계정으로 로그인하면 이 섹션을 읽을 수 있습니다.
Method map
The neighbourhood of related methods — select a node to explore.
출처
- Settles, B. (2012). Active Learning. Synthesis Lectures on Artificial Intelligence and Machine Learning, 6(1), 1–114. Morgan & Claypool. DOI: 10.2200/S00429ED1V01Y201207AIM018 ↗
- Ke, G., Meng, Q., Finley, T., Wang, T., Chen, W., Ma, W., Ye, Q., & Liu, T.-Y. (2017). LightGBM: A Highly Efficient Gradient Boosting Decision Tree. Advances in Neural Information Processing Systems, 30, 3146–3154. link ↗
이 페이지 인용 방법
ScholarGate. (2026, June 3). Active Learning with Light Gradient Boosting Machine. ScholarGate. https://scholargate.app/ko/machine-learning/active-learning-lightgbm
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- 능동 학습머신러닝↔ compare
- 그래디언트 부스팅머신러닝↔ compare
- LightGBM머신러닝↔ compare
- 랜덤 포레스트머신러닝↔ compare
- XGBoost머신러닝↔ compare